Prozessintegration und Produktivsetzung von ML-Modellen
Aussagekräftige Machine-Learning-Modelle entwickeln, Daten analysieren und visualisieren sind die tägliche Arbeit eines Data Scientist. Ist die eigentliche Arbeit abgeschlossen, ist das Modell in einen bestehenden Prozess zu integrieren, um es produktiv nutzen zu können.
Anhand eines Schadensmanagement-Prozesses zeigen wir, wie sich ML-Module und klassische Software, z. B. Regelwerke, ergänzen, um Labeling und Routing zu automatisieren und letztendlich eine vollständige Dunkelverarbeitung ermöglicht wird.
Dabei verfolgen wir Probleme und Lösungen anhand des kompletten Lebensweges von der Datenanalyse über die iterative Modellentwicklung bis hin zur Integration und Produktivsetzung.
Vorkenntnisse
Keine tiefen Machine-Learning-Kenntnisse nötig.
Lernziele
Ziel ist es, den kompletten Lebensweg eines Vorhersagemodells zu beleuchten – von der Konzeption über die Entwicklung eines aussagekräftigen Modells und die Prozessintegration bis hin zur tatsächlichen Produktivsetzung.